用于“最大间隔”分类的 Hinge 损失
Hinge 类
tf_keras.losses.Hinge(reduction="auto", name="hinge")
计算 y_true 和 y_pred 之间的 Hinge 损失。
loss = maximum(1 - y_true * y_pred, 0)
预期 y_true 值为 -1 或 1。如果提供二进制 (0 或 1) 标签，我们将将其转换为 -1 或 1。
独立使用
>>> y_true = [[0., 1.], [0., 0.]]
>>> y_pred = [[0.6, 0.4], [0.4, 0.6]]
>>> # Using 'auto'/'sum_over_batch_size' reduction type.
>>> h = tf.keras.losses.Hinge()
>>> h(y_true, y_pred).numpy()
1.3
>>> # Calling with 'sample_weight'.
>>> h(y_true, y_pred, sample_weight=[1, 0]).numpy()
0.55
>>> # Using 'sum' reduction type.
>>> h = tf.keras.losses.Hinge(
... reduction=tf.keras.losses.Reduction.SUM)
>>> h(y_true, y_pred).numpy()
2.6
>>> # Using 'none' reduction type.
>>> h = tf.keras.losses.Hinge(
... reduction=tf.keras.losses.Reduction.NONE)
>>> h(y_true, y_pred).numpy()
array([1.1, 1.5], dtype=float32)
与 compile() API 一起使用
model.compile(optimizer='sgd', loss=tf.keras.losses.Hinge())
SquaredHinge 类
tf_keras.losses.SquaredHinge(reduction="auto", name="squared_hinge")
计算 y_true 和 y_pred 之间的平方 Hinge 损失。
loss = square(maximum(1 - y_true * y_pred, 0))
预期 y_true 值为 -1 或 1。如果提供二进制 (0 或 1) 标签，我们将将其转换为 -1 或 1。
独立使用
>>> y_true = [[0., 1.], [0., 0.]]
>>> y_pred = [[0.6, 0.4], [0.4, 0.6]]
>>> # Using 'auto'/'sum_over_batch_size' reduction type.
>>> h = tf.keras.losses.SquaredHinge()
>>> h(y_true, y_pred).numpy()
1.86
>>> # Calling with 'sample_weight'.
>>> h(y_true, y_pred, sample_weight=[1, 0]).numpy()
0.73
>>> # Using 'sum' reduction type.
>>> h = tf.keras.losses.SquaredHinge(
... reduction=tf.keras.losses.Reduction.SUM)
>>> h(y_true, y_pred).numpy()
3.72
>>> # Using 'none' reduction type.
>>> h = tf.keras.losses.SquaredHinge(
... reduction=tf.keras.losses.Reduction.NONE)
>>> h(y_true, y_pred).numpy()
array([1.46, 2.26], dtype=float32)
与 compile() API 一起使用
model.compile(optimizer='sgd', loss=tf.keras.losses.SquaredHinge())
CategoricalHinge 类
tf_keras.losses.CategoricalHinge(reduction="auto", name="categorical_hinge")
计算 y_true 和 y_pred 之间的分类 Hinge 损失。
loss = maximum(neg - pos + 1, 0)，其中 neg=maximum((1-y_true)*y_pred) 和 pos=sum(y_true*y_pred)
独立使用
>>> y_true = [[0, 1], [0, 0]]
>>> y_pred = [[0.6, 0.4], [0.4, 0.6]]
>>> # Using 'auto'/'sum_over_batch_size' reduction type.
>>> h = tf.keras.losses.CategoricalHinge()
>>> h(y_true, y_pred).numpy()
1.4
>>> # Calling with 'sample_weight'.
>>> h(y_true, y_pred, sample_weight=[1, 0]).numpy()
0.6
>>> # Using 'sum' reduction type.
>>> h = tf.keras.losses.CategoricalHinge(
... reduction=tf.keras.losses.Reduction.SUM)
>>> h(y_true, y_pred).numpy()
2.8
>>> # Using 'none' reduction type.
>>> h = tf.keras.losses.CategoricalHinge(
... reduction=tf.keras.losses.Reduction.NONE)
>>> h(y_true, y_pred).numpy()
array([1.2, 1.6], dtype=float32)
与 compile() API 一起使用
model.compile(optimizer='sgd', loss=tf.keras.losses.CategoricalHinge())
hinge 函数
tf_keras.losses.hinge(y_true, y_pred)
计算 y_true 和 y_pred 之间的 Hinge 损失。
loss = mean(maximum(1 - y_true * y_pred, 0), axis=-1)
独立使用
>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = tf.keras.losses.hinge(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> assert np.array_equal(
... loss.numpy(),
... np.mean(np.maximum(1. - y_true * y_pred, 0.), axis=-1))
参数
- y_true：真实值。预期
y_true值为 -1 或 1。如果提供二进制 (0 或 1) 标签，我们将将其转换为 -1 或 1。形状 =[batch_size, d0, .. dN]。 - y_pred：预测值。形状 =
[batch_size, d0, .. dN]。
返回值
Hinge 损失值。形状 = [batch_size, d0, .. dN-1]。
squared_hinge 函数
tf_keras.losses.squared_hinge(y_true, y_pred)
计算 y_true 和 y_pred 之间的平方 Hinge 损失。
loss = mean(square(maximum(1 - y_true * y_pred, 0)), axis=-1)
独立使用
>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = tf.keras.losses.squared_hinge(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> assert np.array_equal(
... loss.numpy(),
... np.mean(np.square(np.maximum(1. - y_true * y_pred, 0.)), axis=-1))
参数
- y_true：真实值。预期
y_true值为 -1 或 1。如果提供二进制 (0 或 1) 标签，我们将将其转换为 -1 或 1。形状 =[batch_size, d0, .. dN]。 - y_pred：预测值。形状 =
[batch_size, d0, .. dN]。
返回值
平方 Hinge 损失值。形状 = [batch_size, d0, .. dN-1]。
categorical_hinge 函数
tf_keras.losses.categorical_hinge(y_true, y_pred)
计算 y_true 和 y_pred 之间的分类 Hinge 损失。
loss = maximum(neg - pos + 1, 0)，其中 neg=maximum((1-y_true)*y_pred) 和 pos=sum(y_true*y_pred)
独立使用
>>> y_true = np.random.randint(0, 3, size=(2,))
>>> y_true = tf.keras.utils.to_categorical(y_true, num_classes=3)
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = tf.keras.losses.categorical_hinge(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> pos = np.sum(y_true * y_pred, axis=-1)
>>> neg = np.amax((1. - y_true) * y_pred, axis=-1)
>>> assert np.array_equal(loss.numpy(), np.maximum(0., neg - pos + 1.))
参数
- y_true：真实值。预期
y_true值为{-1, +1}或{0, 1}（即独热编码张量）。 - y_pred：预测值。
返回值
分类 Hinge 损失值。